一种类别增量行为识别方法和系统技术方案

本发明专利技术涉及一种类别增量行为识别方法和系统，其特征在于，包括：获取用户固定行为类别的初始行为数据，并利用该初始行为数据及其所属行为类别训练随机森林模型，该随机森林模型中决策树用分层嵌套包围盒的形式来表示，该决策树中每个节点对应一个包围盒；获取用户新增行为类别的行为数据，根据该新增行为数据及其类别，得到该新增行为数据对应的新包围盒，根据该新包围盒与决策树当前节点包围盒的关系，向该决策树中插入新的节点或分裂该决策树的叶子节点，以更新现有随机森林行为识别模型，得到增量行为识别模型，并使用该增量行为识别模型识别用户的行为。

A classification incremental behavior recognition method and system

The invention relates to a method and system for classified incremental behavior recognition, which is characterized by acquiring the initial behavior data of a user's fixed behavior category, and training a random forest model by using the initial behavior data and the behavior category to which the user belongs. The decision tree in the random forest model is expressed in the form of a hierarchical nested bounding box. Indicates that each node in the decision tree corresponds to a bounding box; obtains the behavior data of the user's new behavior category, obtains the new bounding box corresponding to the new behavior data according to the new behavior data and its category, and inserts new sections into the decision tree according to the relationship between the new bounding box and the current node bounding box of the decision tree. Point or split the leaf nodes of the decision tree to update the existing random forest behavior recognition model, and get the incremental behavior recognition model, and use the incremental behavior recognition model to identify the user's behavior.

【技术实现步骤摘要】
一种类别增量行为识别方法和系统
该专利技术涉及普适计算、增量学习技术和行为识别领域，特别涉及一种类别增量行为识别方法和系统。
技术介绍
近年来，大量研究表明执行日常行为的能力是人类身体健康的重要指标。例如，文献[ChenY,HuangM,HuC,etal.Acoarse-to-finefeatureselectionmethodforaccuratedetectionofcerebralsmallvesseldisease[C]//NeuralNetworks(IJCNN),2016InternationalJointConferenceon.IEEE,2016:2609-2616.]指出运动行为，如步行、指鼻等，与脑小血管疾病紧密相关。文献[ChenY,YuH,MiaoC,etal.Usingmotorpatternsforstrokedetection[J].Science(AdvancesinComputationalPsychophysiology),2015,350(6256):12-14.]指出手指的运动能力与脑卒中有很大关联。因此，研究基于日常行为的健康监护对于提高人们生活质量，应对老龄化社会等具有重要的现实意义。实时、准确的日常行为监测是日常行为监护的重要挑战。微型、可穿戴式传感器件的诞生与发展为日常行为监护提供了新的途径，其便携和低功耗等特性为实时和准确地感知用户行为提供了可能。可穿戴行为识别利用微型可穿戴设备采集用户的行为数据，通过机器学习模型分析行为数据与行为类别之间的映射关系，从而实现对用户日常行为的识别。目前，已广泛应用于健康监护、运动保健、工业生产及娱乐等众多领域。然而，传统的可穿戴行为识别主要采用固定的识别模型，即利用已有的标定数据离线训练分类模型，并利用该分类模型对用户行为进行识别分类。这类模型对用户的行为建模时，往往是对用户已有的行为建模，用于反映其当前行为模式。随着时间的推移，用户的生活习惯很有可能发生变化，当用户习得了一种新的行为，固定识别模型将无法对新行为进行正确的识别分类。如何扩展已有模型的识别能力，使其能够识别新的行为类别，是可穿戴行为识别中面临的一个亟待解决的实际问题。针对上述问题，很多学者和研究人员进行了相关研究。专利CN201710681741.4公开了在相似相溶原理基础上的行为识别方法，其方法通过计算实时与样本相对误差，将票数投给相对误差最小的行为以实现人体行为识别。在票数超过预设时，执行类别增量。专利CN201710235331.7对卡尔曼滤波后的数据的分子量提取范德华力、引力、密度等物理特征，利用相对误差作为行为类别判别标准。当确定性不够大时，通过增量学习动态更新样本值，使其逐渐趋向用户的行为习惯。专利WO2015011521-A提供了一种基于二叉树的增量学习方法，通过弱分类器的自适应混合，不断更新节点分类和划分模型，以得到适应新增数据的分类模型。虽然多种机器学习方法已经成功应用于行为识别领域，但是他们在通用性、针对性以及适用性方面尚存在一些不足：传统的机器学习方法在面对新的类别出现时，只能采取重新训练的方式，在这种处理方式中，需要的训练时间随样本数量的增加呈指数型增长，且模型冗余度较高，无法满足增量学习的要求。已有大部分类别增量行为识别方法聚焦于发现新类数据，对一类新类数据的识别较好，但当持续不断的新类别出现时，模型性能波动性大，鲁棒性差。因此，急需设计一种针对新增类别增量学习的鲁棒的行为识别方法，使得行为识别模型能够满足人们生活习惯的变化，推进可穿戴行为识别的发展。
技术实现思路
针对上述问题，本专利技术设计了一种类别增量行为识别方法及系统。该方法及系统有效地解决了行为识别中新类别数据不断出现的问题。本专利技术提出的方法共包含两个阶段：初始模型构建以及模型动态更新。在初始模型构建阶段，首先利用智能硬件设备中内嵌的惯性传感器采集行为数据，然后利用行为数据训练初始随机森林模型。在随机森林模型的构建过程中，利用分层嵌套包围盒的形式表示决策树，以方便后续的模型更新操作。在模型动态更新阶段，新增类别数据到达后，通过混合模型更新方法利用新类数据更新初始构建的随机森林模型，使其具备识别新类数据的能力。具体来说本专利技术公开了一种类别增量行为识别方法，其中包括：步骤1、获取用户固定行为类别的初始行为数据，并利用该初始行为数据及其所属行为类别训练随机森林模型，该随机森林模型中决策树用分层嵌套包围盒的形式来表示，该决策树中每个节点对应一个包围盒；步骤2、获取用户新增行为类别的行为数据，根据该新增行为类别数据，得到其对应的新包围盒，根据该新包围盒与决策树当前节点包围盒的关系，向该决策树中插入新的节点或分裂该决策树的叶子节点，以更新现有随机森林行为识别模型，得到增量行为识别模型，并使用该增量行为识别模型识别该用户的行为。该类别增量行为识别方法，其中该步骤1中训练随机森林模型的具体过程包括：将该初始行为数据进行预处理、特征提取后与行为类别组合成特征向量，根据该特征向量每一维属性的最小值和最大值，构建轴对齐包围盒作为其包围盒。根据特征向量包围盒构建初始行为识别模型。该类别增量行为识别方法，其中该步骤2还包括：当该新增行为数据到达时，根据该新增行为数据包围盒与决策树当前节点包围盒之间的边界距离，选择具有最大边界距离的分离轴为分裂属性，并将分裂值选定为该分裂属性上间隔的中点，根据该分裂值将该新增行为数据对应的新包围盒插入决策树。该类别增量行为识别方法，其中该分裂属性的确定过程具体为：其中和分别表示第i个轴对齐包围盒的下边界和上边界，sAtt为分裂属性；该分裂值的确定过程具体为：其中splitValue是该分裂属性上的分裂值，和分别表示sAtt分裂属性轴上的第i个轴对齐包围盒的下边界和上边界。该类别增量行为识别方法，其中向该决策树插入一个新的节点或分裂该决策树的叶子节点的过程具体包括：当该新增行为数据的新包围盒与该决策树中当前节点的包围盒没有交集时，插入一个新的节点作为该节点的父节点，并添加一个叶子节点对应该新增行为数据；当该决策树中当前节点的包围盒完全包含该新增行为数据的新包围盒时，该新增行为数据根据该决策树的划分到达相应的叶子节点；当该新增行为数据被传递到该决策树的叶子节点仍然无法被识别时，采用信息增益或者基尼指数分裂该叶子节点，将该新增行为数据划分至分裂后的节点；当该决策树中当前节点的包围盒包含部分该新增行为数据的新包围盒时，扩展该节点的轴对齐包围盒范围，使其覆盖该新增行为数据的新包围盒。本专利技术还公开了一种类别增量行为识别系统，其中包括：模型训练模块，用于获取用户固定行为类别的初始行为数据，并利用该初始行为数据及其所属行为类别训练随机森林模型，该随机森林模型中决策树用分层嵌套包围盒的形式来表示，该决策树中每个节点对应一个包围盒；模型更新模块，用于获取用户新增行为类别的新增行为数据，根据该新增类别行为数据，得到其对应的新包围盒，根据该新包围盒与决策树当前节点包围盒的关系，向该决策树中插入新的节点或分裂该决策树的叶子节点，以更新现有随机森林模型，得到增量行为识别模型，并使用该增量行为识别模型识别该用户的行为。该类别增量行为识别系统，其中该模型训练模块中训练随机森林模型的具体过程包本文档来自技高网...

【技术保护点】
1.一种类别增量行为识别方法，其特征在于，包括：步骤1、获取用户固定行为类别的初始行为数据，并以该初始行为数据及其所属行为类别训练随机森林模型，得到初始行为识别模型，该随机森林模型中决策树用分层嵌套包围盒的形式来表示，该决策树中每个节点对应一个包围盒；步骤2、获取用户新增行为类别的行为数据作为新增行为数据，根据该新增行为数据，得到其对应的新包围盒，根据该新包围盒与决策树当前节点包围盒的关系，向该决策树中插入新的节点或分裂该决策树的叶子节点，以更新该初始行为识别模型，得到增量行为识别模型，并使用该增量行为识别模型识别该用户的行为。

【技术特征摘要】
1.一种类别增量行为识别方法，其特征在于，包括：步骤1、获取用户固定行为类别的初始行为数据，并以该初始行为数据及其所属行为类别训练随机森林模型，得到初始行为识别模型，该随机森林模型中决策树用分层嵌套包围盒的形式来表示，该决策树中每个节点对应一个包围盒；步骤2、获取用户新增行为类别的行为数据作为新增行为数据，根据该新增行为数据，得到其对应的新包围盒，根据该新包围盒与决策树当前节点包围盒的关系，向该决策树中插入新的节点或分裂该决策树的叶子节点，以更新该初始行为识别模型，得到增量行为识别模型，并使用该增量行为识别模型识别该用户的行为。2.如权利要求1所述的类别增量行为识别方法，其特征在于，该步骤1中训练随机森林模型的具体过程包括：将该初始行为数据及其行为类别组合成特征向量，根据该特征向量每一维属性的最小值和最大值，在坐标系中构造轴对齐包围盒作为该初始行为数据的包围盒。3.如权利要求1所述的类别增量行为识别方法，其特征在于，该步骤2还包括：当该新增行为数据到达时，根据其包围盒与决策树当前节点包围盒之间的边界距离，选择具有最大边界距离的分离轴为分裂属性，并将分裂值选定为该分裂属性上间隔的中点，根据该分裂值将该新增行为数据对应的新包围盒插入决策树。4.如权利要求3所述的类别增量行为识别方法，其特征在于，该分裂属性的确定过程具体为：其中和分别表示第i个轴对齐包围盒的下边界和上边界，sAtt为分裂属性；该分裂值的确定过程具体为：其中splitValue是该分裂属性上的该分裂值，和分别表示sAtt分裂属性轴上的第i个轴对齐包围盒的下边界和上边界。5.如权利要求1所述的类别增量行为识别方法，其特征在于，向该决策树插入一个新的节点或分裂该决策树的叶子节点的过程具体包括：当该新增行为数据的新包围盒与该决策树中当前节点对应的包围盒没有交集时，插入一个新的节点作为该节点的父节点，并添加一个叶子节点对应该新增行为数据；当该决策树中当前节点的包围盒完全包含该新增行为数据的新包围盒时，该新增行为数据根据该决策树的划分到达相应的叶子节点；当该新增行为数据被传递到该决策树的叶子节点仍然无法被识别时，采用信息增益或者基尼指数分裂该叶子节点，将该新增行为数据划分至分裂后的节点；当该决策树中当前节点的包围盒包含部分该新增行为数据的新包围盒时，扩展该节点的轴对齐包围盒范围，使其覆盖该新增行为数据的新包围盒。6.一种类别增量行...

【专利技术属性】
技术研发人员：陈益强，胡春雨，高晨龙，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京,11